Co moşe uzyskać otolaryngolog, stosując sztuczne

otolaryngologia polska 66 (2012) 241–248
Dostępne online www.sciencedirect.com
journal homepage: www.elsevier.com/locate/otpol
Praca pogla˛dowa/Review
Co może uzyskać otolaryngolog, stosuja˛c sztuczne sieci
neuronowe?
How can an otolaryngologist benefit from artificial neural networks?
Joanna Szaleniec 1,*, Jacek Składzień 1, Ryszard Tadeusiewicz 2, Krzysztof Oleś 1,
Marcin Konior 1, Robert Przeklasa 1
1
Klinika Otolaryngologii UJ CM w Krakowie, Poland
Kierownik: prof. dr hab. Jacek Składzień
2
Katedra Automatyki AGH, Kraków, Poland
Kierownik: prof. zw. dr hab. inż. Ryszard Tadeusiewicz
informacje o artykule
abstract
Historia artykułu:
Artificial neural networks are informatic systems that have unique computational capabi-
Otrzymano: 24.02.2011
lities. The principle of their functioning is based on the rules of data processing in the brain.
Zaakceptowano: 12.12.2011
This article discusses the most important features of the artificial neural networks with
Doste˛pne online: 23.06.2012
reference to their applications in otolaryngology. The cited studies concern the fields of
rhinology, audiology, phoniatrics, vestibulology, oncology, sleep apnea and salivary gland
Słowa kluczowe:
sztuczne sieci neuronowe
otolaryngologia
diseases. The authors also refer to their own experience with predictive neural models
sztuczna inteligencja
analiza danych medycznych
signal interpretation and outcome prediction are presented. Moreover, the article explains
analiza przeżycia
clinical practice and research.
designed in the Department of Otolaryngology of the Jagiellonian University Medical College
in Krakow. The applications of artificial neural networks in clinical diagnosis, automated
how the artificial neural networks work and how the otolaryngologists can use them in their
© 2012 Polish Otorhinolaryngology - Head and Neck Surgery Society. Published by
Keywords:
Artificial neural networks
Otolaryngology
Elsevier Urban & Partner Sp. z o.o. All rights reserved.
Artificial intelligence
Medical data analysis
Survival analysis
* Adres do korespondencji: Joanna Szaleniec, Katedra i Klinika Otolaryngologi UJ CM, ul. Śniadeckich 2, 31-531 Kraków. Tel.: +48 124247900.
Adres email: [email protected] (J. Szaleniec).
0030-6657/$ – see front matter © 2012 Polish Otorhinolaryngology - Head and Neck Surgery Society. Published by Elsevier Urban & Partner Sp. z o.o. All rights reserved.
http://dx.doi.org/10.1016/j.otpol.2012.06.015
242
otolaryngologia polska 66 (2012) 241–248
Wste˛p
Fascynuja˛ce możliwości ludzkiego umysłu od lat inspirowały
informatyków do tworzenia narze˛dzi obliczeniowych, moga˛cych przynajmniej w pewnych aspektach naśladować inteligentne zachowania człowieka. Da˛żenia te w latach 50.
ubiegłego wieku dały pocza˛tek badaniom dotycza˛cym tak
zwanej sztucznej inteligencji, zdefiniowanej przez jednego
z jej pionierów Johna McCarthy’ego jako ,,konstruowanie
maszyn, o których działaniu dałoby sie˛ powiedzieć, że sa˛
podobne do ludzkich przejawów inteligencji’’ [1]. Próby
odwzorowania przez maszyne˛ struktury i zasad działania
mózgu doprowadziły do stworzenia tzw. sztucznych sieci
neuronowych (artificial neural networks) (Ryc. 1). Sa˛ to systemy
informatyczne o unikatowych możliwościach obliczeniowych, ciesza˛ce sie˛ wcia˛ż rosna˛cym zainteresowaniem i (jak
sie˛ zdaje) maja˛ce tyluż żarliwych zwolenników, co zagorzałych przeciwników. Historia zastosowań sieci neuronowych obfituje bowiem w spektakularne sukcesy, ale obok
nich nie brakuje bolesnych rozczarowań i porażek.
W prezentowanym artykule omówione zostana˛ podstawowe właściwości i zasady tworzenia modeli neuronowych,
przy czym treści te prezentowane be˛da˛ głównie w oparciu
o prace badawcze dotycza˛ce ich zastosowań w otolaryngologii. Wyboru prezentowanych zagadnień dokonano w taki
sposób, aby zasygnalizować możliwie szeroki zakres ich
aplikacji w różnych dziedzinach otolaryngologii. Cytowane
prace dotycza˛ rynologii [2], audiologii [3–12], foniatrii [13–16],
westybulologii [17], onkologii [18–22], diagnostyki i terapii
zespołu bezdechu sennego [23–25] oraz schorzeń gruczołów
ślinowych [26].
Odwołano sie˛ przy tym również do doświadczeń Kliniki
Otolaryngologii UJ CM w Krakowie w zakresie budowania
predykcyjnych modeli neuronowych [12]. Artykuł nie ma
[(Ryc._1)TD$FIG]
Ryc. 1 – Biologiczna inspiracja sztucznych sieci
neuronowych
Fig. 1 – Biological inspiration of artificial neural networks
stanowić wyczerpuja˛cego przegla˛du piśmiennictwa dotycza˛cego wykorzystania sztucznych sieci neuronowych w laryngologii, gdyż literatura przedmiotu jest obecnie niezwykle
szeroka i jej szczegółowe omówienie przekraczałoby znacza˛co ramy niniejszej publikacji. Zamiast tego niniejszy
artykuł powinien dać Czytelnikom ogólny ogla˛d przedstawianej tu problematyki, pokazuja˛cy, jak formułowane sa˛
zadania, które naste˛pnie rozwia˛zywane sa˛ przy użyciu sieci
neuronowych, w jaki sposób stosuje sie˛ te sieci, korzystaja˛c
w szczególności z możliwości ich uczenia, a także, co sie˛
osia˛ga z pomoca˛ sieci neuronowych i jak można wykorzystywać uzyskiwane wyniki.
Ogla˛d taki może być użyteczny przy podejmowaniu przez
Czytelników decyzji o ewentualnym zastosowaniu sztucznych sieci neuronowych przy rozwia˛zywaniu kolejnych
problemów zwia˛zanych z otolaryngologia˛, gdzie narze˛dzie
to zdecydowanie jeszcze ,,nie powiedziało ostatniego
słowa’’.
Na czym polegaja˛ unikatowe możliwości
sztucznych sieci neuronowych?
Rosna˛ca popularność sztucznych sieci neuronowych
w rozmaitych dziedzinach (w tym również w medycynie)
wynika z faktu, że systemy te posiadaja˛ pewne wyja˛tkowe
właściwości, odróżniaja˛ce ich funkcjonowanie w sposób
zasadniczy od działania typowego programu komputerowego. Wykorzystuja˛c tradycyjny program, komputer potrafi
jedynie bardzo szybko wykonać serie˛ kolejnych operacji
przetwarzania danych, opieraja˛c sie˛ na sekwencji sprecyzowanych przez programiste˛ poleceń. Stosuja˛c te˛ metode˛,
komputer może wyliczyć rozwia˛zanie dowolnie skomplikowanego zadania, pod warunkiem że twórca programu
znał metode˛ tego rozwia˛zania. Typowy system komputerowy działa wie˛c według zadanego algorytmu i jest kategorycznie uzależniony od tego, czy potrafimy taki algorytm
zbudować. Tymczasem sieć neuronowa jest w stanie samoczynnie odkryć zasade˛ rozwia˛zywania stawianych jej
zadań, nawet jeśli sam programista tej reguły nie zna.
W przeciwieństwie do tradycyjnego oprogramowania komputera, sieć neuronowa ma zdolność uczenia sie˛ na
podstawie przykładów i uogólniania zdobytej wiedzy na
nowe, podobne przypadki. Jak łatwo zauważyć, ten sposób
uczenia sieci neuronowej jest podobny do procesu zdobywania doświadczenia przez człowieka. Szkola˛cy sie˛ lekarz
w procesie swojej edukacji nie bazuje jedynie na ,,instrukcjach’’ zaczerpnie˛tych z ksia˛żek, ale stykaja˛c sie˛ z kolejnymi
chorymi, uczy sie˛ podejmowania właściwych decyzji na
podstawie złożonych przesłanek, niekiedy w sposób nie do
końca uświadomiony. Opisane powyżej właściwości sieci
neuronowych pozwalaja˛ wie˛c na ich praktyczne zastosowanie do rozwia˛zywania takich zagadnień, w przypadku
których człowiek bazuje na swoim doświadczeniu i intuicji.
Sieć ma także możliwość gromadzenia i uogólniania wiedzy
pozyskiwanej poprzez obserwacje˛ czynności najbardziej
doświadczonych lekarzy, może wie˛c służyć jako narze˛dzie
do agregacji i koncentracji doświadczeń wielu najlepszych
praktyków.
otolaryngologia polska 66 (2012) 241–248
Przykłady wykorzystania sztucznych sieci
neuronowych w otolaryngologii
Wspomaganie diagnostyki klinicznej
Podejmowanie decyzji diagnostycznych na podstawie badania
przedmiotowego i podmiotowego oraz ewentualnie wyników
badań dodatkowych wymaga na ogół ogromnej wiedzy
i doświadczenia. Rzadko udaje sie˛ sformułować proste reguły,
według których na podstawie danych klinicznych należy
wycia˛gać ostateczne wnioski. Zwykle takie proste reguły nie
istnieja˛, ponieważ istota diagnostyki lekarskiej jest z samej
swojej natury bardzo skomplikowana. Dodatkowa trudność
wia˛że sie˛ także z procesem werbalizacji tych reguł. Specjalista
nie zawsze zdaje sobie sprawe˛ z tego, że jego przez lata
wypraktykowany sposób działania opiera sie˛ na regułach,
które stosuje podświadomie, czy też odwołuje sie˛ do intuicji,
czy wre˛cz do geniuszu, czyli rzeczy absolutnie niedaja˛cych sie˛
sformalizować. Wielu badaczy usiłowało odpowiedzieć na
pytanie, czy złożony proces intelektualny, jakiego dokonuje
specjalista, stawiaja˛c rozpoznanie choroby, można przynajmniej w pewnych aspektach odtworzyć za pomoca˛ metod
informatycznych. Wie˛kszość takich prób algorytmizacji,
odwołuja˛cych sie˛ do reguł logiki i obliczeń numerycznych,
po prostu zawiodła. Jednak ostatnio okazuje sie˛, że dzie˛ki
wykorzystaniu sieci neuronowych możliwe jest stworzenie
narze˛dzi skutecznie wspomagaja˛cych specjalistyczna˛ diagnostyke˛. Wskażmy kilka przykładów.
W roku 2009 obje˛to ochrona˛ patentowa˛ narze˛dzie wykorzystuja˛ce sztuczne sieci neuronowe, służa˛ce do diagnozowania chorób alergicznych górnych dróg oddechowych
(w szczególności schorzeń nosa i zatok przynosowych) [2].
Autor opatentowanej metody podkreśla, że ze wzgle˛du na
wzrastaja˛ca˛ cze˛stość wyste˛powania schorzeń alergicznych,
doste˛p do specjalistów staje sie˛ coraz trudniejszy, a czas
oczekiwania na konsultacje˛ i niezbe˛dna˛ diagnostyke˛
znacza˛co sie˛ wydłuża. Dane dotycza˛ Wielkiej Brytanii, ale
sa˛ powody by przypuszczać, że wspomniana prawidłowość
daje sie˛ także obserwować w Polsce. Z tego wzgle˛du
niezbe˛dne jest wdrożenie systemu, który pozwoliłby skrócić
do minimum czas oczekiwania na wynik konsultacji oraz
ograniczyć liczbe˛ wykonywanych badań. W cytowanym
badaniu opracowano kilka modeli neuronowych, które sa˛
w stanie zaproponować wste˛pne rozpoznanie schorzenia na
podstawie wywiadu (objawy kliniczne, czynniki wywołuja˛ce
zaostrzenia choroby, zażywane leki itd.), wyników skórnych
testów punktowych dla wybranych alergenów oraz poziomu
specyficznych IgE.
Uczenie budowanych modeli neuronowych polegało na
przedstawieniu im danych kilkudziesie˛ciu pacjentów wraz
z prawidłowymi rozpoznaniami postawionymi przez
doświadczonego lekarza. Po zakończeniu uczenia przetestowano działanie modeli w odniesieniu do innej grupy pacjentów, cierpia˛cych na te same schorzenia. Wykazano, że
wste˛pne diagnozy podawane przez sieć neuronowa˛ były
zgodne z rozpoznaniami postawionymi przez specjaliste˛.
Zdaniem autora, dzie˛ki zastosowaniu sieci neuronowych
wste˛pna˛ diagnostyke˛ schorzeń nosa i zatok przynosowych
może przeprowadzić przeszkolona piele˛gniarka. W efekcie
243
powinna obniżyć sie˛ liczba niepotrzebnych konsultacji
specjalistycznych, wskutek czego lekarz specjalista be˛dzie
mógł efektywniej wykorzystać swój czas i wiedze˛, zajmuja˛c
sie˛ przypadkami rzeczywiście wymagaja˛cymi jego interwencji.
Zastosowanie sztucznych sieci neuronowych do wspomagania diagnostyki omawia również praca Juholi i wsp. [6],
w której zadaniem modelu było określenie przyczyn zawrotów
głowy na podstawie objawów klinicznych. Na podstawie
danych dotycza˛cych cze˛stości wyste˛powania i czasu trwania
zawrotów głowy oraz czasu trwania niedosłuchu, a także
przebytych urazów głowy, sieć samoczynnie dokonywała
wste˛pnej klasyfikacji, w wie˛kszości przypadków prawidłowo
wyróżniaja˛c grupy pacjentów cierpia˛cych z powodu łagodnych położeniowych zawrotów głowy, choroby Meniere’a,
neuronitis vestibularis i nerwiaka nerwu przedsionkowego.
Niestety w odniesieniu do rzadko wyste˛puja˛cych przyczyn
zawrotów głowy nie uzyskano prawidłowych ich klasyfikacji
ze wzgle˛du na zbyt mała˛ liczbe˛ przypadków prezentowanych
sieci w trakcie jej uczenia.
Interesuja˛ca˛ propozycje˛ wykorzystania sieci neuronowych
w diagnostyce bezdechu sennego przedstawili el-Solh i wsp.
[25]. Autorzy tej pracy stworzyli system pozwalaja˛cy przewidywać wartość wskaźnika AHI (wskaźnik bezdech/spłycenie oddechu) bez wykonywania polisomnografii, a jedynie na
podstawie danych klinicznych i pomiarów antropometrycznych pacjenta. Biora˛c pod uwage˛ fakt, jak kosztowne i jak
ucia˛żliwe dla pacjenta jest badanie polisomnograficzne –
zastosowanie tego neuronowego modelu wydaje sie˛ bardzo
interesuja˛ca˛ alternatywa˛ dla procedur diagnostycznych
stosowanych obecnie.
Automatyczna interpretacja sygnałów medycznych
Jednym z klasycznych zadań, w których sieci neuronowe
niejednokrotnie wykazywały przewage˛ nad innymi metodami, jest rozpoznawanie obrazów (lub szerzej – rozpoznawanie wzorców; pattern recognition). Cze˛sto cytowany przykład
to automatyczne rozpoznawanie znaków alfanumerycznych
(drukowanych lub pisanych re˛cznie liter i cyfr). Liczba prac
opisuja˛cych takie właśnie zastosowanie sieci neuronowej
z pewnościa˛ przekroczyła już kilka setek, a wcia˛ż przybywaja˛
nowe, bo zastosowanie to jest efektowne i łatwe do oceny,
a zasoby danych potrzebnych do uczenia i egzaminowania
sieci sa˛ łatwe do pozyskania lub niezbyt trudne do samodzielnego wytworzenia. Znacznie bardziej złożonym zadaniem jest rozpoznawanie ludzi na podstawie obrazów ich
twarzy (na przykład dla potrzeb identyfikowania osób posiadaja˛cych określone uprawnienia w systemie komputerowym
szpitala). Uproszczona˛ wersje˛ tego typu systemu stanowi sieć,
której powierza sie˛ odróżnianie twarzy me˛skich od kobiecych.
Mimo że człowiek radzi sobie z tym zadaniem bez najmniejszego kłopotu, sformułowanie ogólnych zasad, według których
takiej klasyfikacji miałaby dokonywać maszyna, nastre˛cza
ogromnych trudności. W tej sytuacji oczywiste wydaje sie˛
zastosowanie sieci neuronowych, które maja˛ zdolność samodzielnego formułowania zasad klasyfikacji na podstawie
przykładów.
W medycynie niezwykle cze˛sto mamy do czynienia
z sytuacjami poszukiwania metody rozpoznawania
244
otolaryngologia polska 66 (2012) 241–248
i klasyfikacji wzorców, mie˛dzy innymi w celu automatycznej interpretacji różnego rodzaju sygnałów medycznych.
Sygnałem, którego rozumienie (z przyczyn oczywistych
dla każdego laryngologa) wymaga dużego doświadczenia
i wprawy, sa˛ mie˛dzy innymi słuchowe potencjały wywołane
pnia mózgu. Zasady interpretacji wyniku badania ABR trudno
opisać regułami matematycznymi ze wzgle˛du na różnorodność obrazu uzyskiwanych krzywych. Liczne prace wykazuja˛
jednak, że sztuczne sieci neuronowe, które nie wymagaja˛
znajomości zasad klasyfikacji a priori, moga˛ służyć jako
skuteczne narze˛dzie do automatycznej klasyfikacji tych
sygnałów [7–10]. Zasadniczy problem, jaki sie˛ przy tym
pojawia, polega na tym, że sieć neuronowa, oceniaja˛c przebieg
sygnału ABR uzyskanego dla pewnego określonego poziomu
bodźca akustycznego wywołuja˛cego badana˛ odpowiedź – jest
w gorszej sytuacji niż lekarz, z którym usiłuje konkurować.
Powodem tego jest fakt, że lekarz ogla˛da cała˛ sekwencje˛
zapisów ABR, zaczynaja˛cych sie˛ od bodźca akustycznego tak
silnego, że zdecydowanie wywołuje on reakcje˛ pnia mózgu, aż
do bodźców tak słabych, że upewnienie sie˛, iż mózg
zareagował na ten sygnał, nastre˛cza dużych trudności. Na
podstawie obserwacji takiej sekwencji przebiegów (a nie
pojedynczego sygnału) można łatwiej ustalić, czy fala
V wyste˛puje˛ w rozważanym przebiegu ABR – czy już nie. Sieć
obserwuja˛ca pojedynczy przebieg ABR i podejmuja˛ca próbe˛
jego klasyfikacji napotyka w tym miejscu na znacznie wie˛ksza˛
trudność. Dlatego Izworski i wsp. [7] przedstawili koncepcje˛
kontekstowego rozpoznawania przebiegów ABR, co okazało
sie˛ rozwia˛zaniem nader skutecznym.
W dziedzinie audiologii sztuczne sieci neuronowe znalazły
ponadto zastosowanie mie˛dzy innymi do automatycznej
klasyfikacji sygnałów otoemisji akustycznych wywołanych
trzaskiem (TEOEA). W badaniach tych sieć wykorzystana
została do odróżniania wyników fizjologicznych od patologicznych w ramach przesiewowych badań słuchu u noworodków [4]. Z kolei Ziavra i wsp. [3] wykorzystali produkty
zniekształceń nieliniowych ślimaka (DPOEA) jako podstawe˛
dla automatycznego rozpoznawania niedosłuchu pochodzenia ślimakowego. Tutaj także rola sieci polega na przypisaniu
jej funkcji ucza˛cego sie˛ klasyfikatora.
Próby zastosowania modeli neuronowych nie omine˛ły
również westybulologii, gdzie podje˛to próbe˛ diagnozowania
schorzeń układu równowagi na podstawie wyników badania
posturograficznego [17].
W podobnym do opisanych powyżej celu wykorzystano
modele neuronowe w diagnostyce i leczeniu bezdechu
sennego. Norman i wsp. [23] opisali metode˛ rozpoznawania
epizodów zapadania sie˛ dróg oddechowych podczas oddychania na podstawie analizy krzywych przepływu powietrza
w czasie. Wykorzystanie sztucznej sieci neuronowej do
odróżniania oddechów prawidłowych od nieprawidłowych
stwarza możliwość wyeliminowania żmudnego manualnego
zliczania incydentów bezdechu w czasie snu. Z kolei rozpoznawanie poprzedzaja˛cej bezdech wibracji ściany gardła,
przedstawione przez Behbehaniego [24], może stanowić
podstawe˛ dla automatycznej regulacji ciśnienia generowanego przez aparat CPAP.
Odmiennym problemem, w którego rozwia˛zaniu znalazły
także zastosowanie sztuczne sieci neuronowe, jest próba
odwzorowania (na podstawie analizy akustycznej sygnału
mowy) percepcyjnej oceny głosu dokonywanej przez specjaliste˛. Liczne badania wykazały, że znalezienie prostej korelacji
pomie˛dzy parametrami fizycznymi opisuja˛cymi sygnał mowy
a percepcyjna˛ ocena˛ jakości głosu pacjenta nastre˛cza znacznych trudności. Trudności te pojawiaja˛ sie˛ przy każdej próbie
obiektywizacji oceny mowy patologicznej, ponieważ zależność mie˛dzy akustyczna˛ charakterystyka˛ sygnału a jego
subiektywnym odbiorem przez słuchacza ma najprawdopodobniej wieloczynnikowy i nieliniowy charakter. Jak zaznaczono powyżej, w zagadnieniach tego rodzaju sztuczne sieci
neuronowe cze˛sto wykazuja˛ przewage˛ nad innymi metodami,
ponieważ neurony sa˛ z zasady nieliniowymi przetwornikami
sygnałów, zaś wprowadzenie w sieci zależności wieloczynnikowych sprowadza sie˛ do tego, że sieć posiada wiele wejść,
których sygnały sa˛ ze soba˛ rozmaicie kombinowane
w kolejnych warstwach tych neuronów.
Wychodza˛c z omówionych wyżej przesłanek, Schoenweiler i wsp. oraz Linder i wsp. [13, 14] opracowali modele
służa˛ce do rozpoznawania dysfonii na podstawie analizy
akustycznej sygnału mowy, cechuja˛ce sie˛ specyficznościa˛ do
93,9% i czułościa˛ do 63%. Zdaniem autorów, narze˛dzia te
moga˛ znaleźć zastosowanie w badaniach przesiewowych,
monitorowaniu, dokumentowaniu i wste˛pnej ocenie zaburzeń głosu, co zwie˛kszy doste˛pność diagnostyki, ograniczonej
dotychczas do wysokospecjalistycznych centrów medycznych, a także dla potrzeb medycyny sa˛dowej.
Badania prowadzone z wykorzystaniem sieci neuronowych w analizie mowy patologicznej moga˛ dotyczyć różnych
metod rejestracji tego sygnału. Na przykład publikacja
Ritchingsa i wsp. [15] omawia możliwość dokonania oceny
jakości głosu w oparciu o badanie elektroglottograficzne.
Również w Klinice Otolaryngologii w Krakowie w ramach
działalności Studenckiego Koła Naukowego tworzono modele
neuronowe z powodzeniem realizuja˛ce zadanie odróżniania
mowy fizjologicznej od patologicznej na podstawie analizy
akustycznej sygnału mowy [16].
Interesuja˛ce propozycje wykorzystania sieci neuronowych
do klasyfikacji sygnałów biochemicznych przedstawioli Kuzmanovski i wsp. [26] (oznaczanie składu kamieni śliniankowych na podstawie spektroskopii w podczerwieni) oraz van
Staveren i wsp. [21] (ocena stopnia dysplazji w śluzówce jamy
ustnej w oparciu o widma autofluorescencji tkankowej).
Sieci neuronowe daja˛ także nowe możliwości wspomagania terapii. Przykładem jest wykorzystanie sieci neuronowych
w protezowaniu słuchu, co przedstawili Arsten i wsp. [5].
Autorzy zaproponowali metode˛ automatycznego wste˛pnego
doboru aparatu słuchowego bazuja˛ca˛ na kształcie krzywej
audiometrycznej. Urza˛dzeniem wspomagaja˛cym w tym przypadku prace˛ terapeuty i protetyka była właśnie sieć neuronowa traktowana jako system doradczy.
Prognozowanie przebiegu choroby i wyników leczenia
Odre˛bna˛ grupa˛ zadań, gdzie sieci neuronowe wielokrotnie
wykazały swoja˛ użyteczność, jest przewidywanie przyszłych
wydarzeń na podstawie faktów z przeszłości. Jak sie˛ okazuje,
modele neuronowe moga˛ znajdować zastosowanie nie tylko
w przewidywaniu pogody, kursów giełdowych lub zapotrzebowania miasta na energie˛ elektryczna˛, ale również
w prognozowaniu przebiegu choroby i wyników leczenia.
otolaryngologia polska 66 (2012) 241–248
Badania dotycza˛ce zastosowań sieci neuronowych do
prognozowania przeżycia najcze˛ściej dotycza˛ chorób nowotworowych. Przewaga sztucznej inteligencji nad klasycznymi
metodami statystycznymi, takimi jak model proporcjonalnego hazardu Coxa lub regresja logistyczna, jest wcia˛ż kwestia˛
dyskusyjna˛. W pracy Jonesa i wsp. [18], dotycza˛cej predykcji
przeżycia w grupie chorych z rakiem płaskonabłonkowym
krtani, dokonano porównania wyników uzyskanych przez
sztuczne sieci neuronowe z modelem Coxa i wykresem
Kaplana-Meiera. Przewidywania oparto na danych dotycza˛cych: wieku i płci pacjentów, ich sprawności w skali ECOG,
lokalizacji guza, jego cech histopatologicznych i stopnia
zaawansowania klinicznego choroby. Wykazano, że model
neuronowy może zapewniać wyniki jakościowo podobne do
tradycyjnych metod statystycznych, jednak w przewidywaniu
przeżycia wykazuje wie˛ksza˛ wrażliwość na różnice wieku
chorych i stopień zaawansowania we˛złowego nowotworu.
Porównania skuteczności sztucznych sieci neuronowych
z regresja˛ logistyczna˛ dokonali z kolei Bryce i wsp. [19]. Praca
ich dotyczyła przewidywania przeżycia 2-letniego pacjentów
z zaawansowanymi nowotworami głowy i szyi, leczonych
radioterapia˛ lub radiochemioterapia˛. Celem pracy było opracowanie metody pozwalaja˛cej już przed rozpocze˛ciem leczenia zidentyfikować pacjentów, u których sama tylko
radioterapia nie daje szans przeżycia i wskazane jest
dodatkowe zastosowanie chemioterapii. Klasyfikacji dokonano w oparciu o kilkanaście cech klinicznych, w tym:
lokalizacje˛ i zaawansowanie nowotworu, wiek i płeć pacjenta,
jego stan ogólny, choroby towarzysza˛ce i dane dotycza˛ce
morfologii krwi. Badania wykazały, że w analizowanym
przypadku sztuczne sieci neuronowe trafniej przewiduja˛
przeżycie niż regresja logistyczna. Podobne zagadnienie
omawia praca [20], w której sztuczna˛ sieć neuronowa˛
wykorzystano do przewidywania tolerancji chemioradioterapii u chorych z nowotworami głowy i szyi.
Przewage˛ modeli neuronowych nad regresja˛ logistyczna˛
w prognozowaniu przebiegu choroby nowotworowej wykazano również w pracy Dobrosia i wsp. [22], w której przewidywano obecność przerzutów raka krtani do we˛złów
chłonnych, uzyskuja˛c 96% poprawnych predykcji.
W Klinice Otolaryngologii UJ CM w Krakowie prowadzone
sa˛ obecnie prace maja˛ce na celu stworzenie modeli neuronowych prognozuja˛cych poprawe˛ słuchu po leczeniu operacyjnym chorych z przewlekłym zapaleniem ucha środkowego
[12].
układzie nerwowym podstawowym elementem przetwarzaja˛cym informacje jest komórka nerwowa. Biologiczny neuron
otrzymuje sygnały wejściowe poprzez dendryty od innych
komórek nerwowych ba˛dź od receptorów. Sygnały te sa˛
modyfikowane na poziomie synaps, które moga˛ mieć charakter pobudzaja˛cy lub hamuja˛cy. Zmodyfikowane przez
synapsy sygnały sumuja˛ sie˛ i pod ich wpływem neuron
generuje sygnał wyjściowy, przekazywany aksonem do
kolejnych elementów układu nerwowego lub do efektorów.
Ta oczywista dla każdego lekarza, prosta zasada działania
,,naturalnej’’ sieci neuronowej, znajduje swoje odzwierciedlenie w sztucznej sieci neuronowej, stanowia˛cej bardzo
uproszczony model układu nerwowego.
Podstawowe elementy modelu, jakim jest sieć neuronowa
– tzw. sztuczne neurony – odbieraja˛ sygnały wejściowe, które
naste˛pnie na poziomie sztucznych synaps ulegaja˛ modyfikacji (poprzez przemnożenie wartości tych sygnałów przez
odpowiednie współczynniki, tzw. wagi). Zmodyfikowane
w ten sposób sygnały wejściowe sumuja˛ sie˛, a naste˛pnie
wewna˛trz neuronu podlegaja˛ kolejnym przekształceniom
matematycznym. Ostatecznie sztuczny neuron generuje
sygnał wyjściowy (Ryc. 2).
W obre˛bie sieci neurony najcze˛ściej ułożone sa˛ w warstwy.
Zadaniem pierwszej z nich – warstwy wejściowej – jest
wprowadzenie sygnałów wejściowych do sieci. Jest to zazwyczaj zestaw liczb lub danych jakościowych (takich jak na
przykład płeć pacjenta albo lokalizacja guza) podawanych
przez użytkownika, charakteryzuja˛cych zadawane sieci
,,pytanie’’. Funkcje˛ neuronu warstwy wejściowej można
porównać z komórka˛ nerwowa˛ odbieraja˛ca˛ sygnał bezpośrednio z receptora, taka˛ jak na przykład I neuron drogi
słuchowej. Kolejne warstwy – tzw. warstwy ukryte – maja˛ za
zadanie przetwarzanie danych. W biologicznym układzie
nerwowym (np. w obre˛bie drogi słuchowej) komórek kolejno
przetwarzaja˛cych sygnał jest bardzo wiele, podczas gdy
w znacznie prostszej sztucznej sieci neuronowej na ogół
[(Ryc._2)TD$FIG]
Jak działa sztuczna sieć neuronowa?
Podane powyżej przykłady ilustruja˛ szeroki zakres zastosowań, w których sieci neuronowe okazuja˛ sie˛ równie skuteczne
lub skuteczniejsze niż dotychczas wykorzystywane narze˛dzia
matematyczne i informatyczne. Omówione przykłady dowodza˛, że najistotniejszymi cechami wyróżniaja˛cymi sieci
neuronowe jest ich zdolność do uczenia sie˛, a także do
modelowania złożonych zjawisk i wielowymiarowych zależności. Poniżej wyjaśnimy pokrótce, w jaki sposób powyższe
zdolności sa˛ osia˛gane.
Sztuczna sieć neuronowa jest systemem informatycznym
przetwarzaja˛cym dane w podobny sposób, jak układ nerwowy
człowieka lub zwierze˛cia [27]. W naturalnym (biologicznym)
245
Ryc. 2 – Porównanie sztucznego neuronu z neuronem
biologicznym
Fig. 2 – The comparison of biological and artificial neuron
246
otolaryngologia polska 66 (2012) 241–248
wykorzystuje sie˛ jedna˛, rzadziej dwie tak zwane warstwy
ukryte. Nazwa tych warstw bierze sie˛ sta˛d, że pracy neuronów
ulokowanych w tych warstwach nie widać z zewna˛trz – ani
od strony wejścia do sieci, ani od jej wyjścia. Ostatnia warstwa
– wyjściowa – to neurony generuja˛ce (w postaci liczbowej)
,,odpowiedź’’ sieci.
Na czym polega uczenie sieci neuronowej?
Najcze˛ściej wykorzystywana˛ forma˛ trenowania sieci neuronowej jest tzw. ,,uczenie z nauczycielem’’. Metode˛ te˛
wykorzystano w wie˛kszości cytowanych powyżej prac. Zilustrujemy ja˛ na przykładzie publikacji dotycza˛cej przesiewowych badań słuchu u noworodków [4].
W pierwszym etapie tworzenia modeli neuronowych
zaprezentowano sieci wyniki testów (TEOEA) około tysia˛ca
noworodków oraz ich klasyfikacje˛ dokonana˛ przez eksperta.
Proces uczenia polegał na stopniowym dokonywaniu takich
zmian wag w ,,synapsach’’ sieci, aby w efekcie uzyskać
odpowiedzi zgodne z diagnozami stawianymi przez specjaliste˛.
W drugim etapie przetestowano działanie wytrenowanej
sieci w odniesieniu do innej grupy, również licza˛cej około
1000 noworodków, i porównano odpowiedzi sieci z ocena˛
eksperta. W ten sposób potwierdzono, że sieć nie tylko
dopasowała sie˛ do zbioru ucza˛cego, ale również posiada
zdolność do generalizacji zdobytej wiedzy (tj. potrafi uzyskiwać prawidłowe rozwia˛zania dla nowych przypadków,
których nie ,,widziała’’ w trakcie procesu uczenia). Swoistość
uzyskanych modeli diagnostycznych sie˛gała aż 99,4%, natomiast czułość 87,3%.
Nieco rzadziej w zastosowaniach medycznych wykorzystywana jest metoda ,,uczenia bez nauczyciela’’, gdzie sieć
neuronowa nie dysponuje w ogóle prawidłowymi rozwia˛zaniami zadanego problemu, ale samoczynnie dopasowuje
swoje parametry do struktury danych, dokonuja˛c w ten
sposób ich klasyfikacji. Przykłady takiego zastosowania
sieci w odniesieniu do pacjentów z otoskleroza˛ można znaleźć
w publikacji dotycza˛cej badań przeprowadzonych na Uniwersytecie Medycznym w Łodzi [11], natomiast do klasyfikacji
danych otoneurologicznych w omówionej wcześniej pracy [6].
Jak wykorzystac´ sztuczne sieci neuronowe w pracy klinicznej
lub badawczej?
Obecnie na rynku doste˛pne sa˛ programy komputerowe
pozwalaja˛ce korzystać ze sztucznych sieci neuronowych
nie tylko osobom maja˛cym wykształcenie informatyczne,
ale również specjalistom z innych dziedzin (w tym także
lekarzom). Podstawowa˛ wiedze˛ na ten temat można uzyskać
zarówno z materiałów szkoleniowych dostarczanych przez
twórców oprogramowania, jak i z podre˛czników adresowanych do osób nie maja˛cych wykształcenia informatycznego
[28]. Przed przysta˛pieniem do pracy z sieciami neuronowymi
warto jednak rozważyć, czy sa˛ one odpowiednim narze˛dziem
do rozwia˛zania analizowanego problemu badawczego.
W przypadku zagadnień, gdzie charakter zależności mie˛dzy
danymi wejściowymi i wyjściowymi jest znany i daje sie˛
łatwo opisać matematycznie, nie należy oczekiwać przewagi
modeli neuronowych nad innymi metodami.
Sieci neuronowe moga˛ zapewnić dobra˛ zgodność zachowania neuronowego modelu i modelowanego zjawiska
(co może być podstawa˛ diagnozy albo prognozy), ale to
w najmniejszym stopniu nie ułatwia zrozumienia natury
modelowanego zjawiska. Przeciwnie, ze wzgle˛du na złożoność
procesu przetwarzania danych w obre˛bie sieci w zasadzie nie
ma możliwości jednoznacznego wnioskowania na temat
wpływu poszczególnych danych wejściowych na ostateczna˛
odpowiedź sieci. Nieuzasadnione byłoby na przykład wnioskowanie, że poziom hemoglobiny wpływa na przeżycie
2-letnie pacjentów z nowotworami głowy i szyi wyła˛cznie
na podstawie faktu wykorzystania tej właśnie zmiennej przez
prawidłowo funkcjonuja˛cy neuronowy model prognostyczny
[19]. Modele neuronowe nie moga˛ zatem służyć do analizowania czy wyjaśniania charakteru obserwowanych zależności, a to oznacza, że ich stosowanie wzbogaca możliwości
praktycznych działań, ale nie wzbogaca wiedzy.
Korzystanie z sieci neuronowych wymaga odpowiedniego
formułowania problemów, które chcemy za ich pomoca˛
rozwia˛zać. W szczególności trzeba dokładnie zdefiniować,
co w rozważanym problemie można uznać za dane
wejściowe oraz czym sa˛ oczekiwane od sieci dane wyjściowe
(niosa˛ce rozwia˛zanie sformułowanego problemu). Zadania
stawiane sieci neuronowej należy ponadto odpowiednio
zakodować, tj. przedstawić wszystkie dane w formie liczbowej, tak aby mogły być wykorzystane jako sygnały wejściowe.
Zmienne ilościowe (takie jak wiek, rozmiar guza w cm) sa˛
a priori wyrażone liczbowo [19], w niektórych przypadkach
wskazana jest jedynie ich normalizacja. Każda z takich zmiennych wymaga jednego neuronu wejściowego. Również
zmienne przyjmuja˛ce tylko jedna˛ z dwóch możliwych wartości
można w prosty sposób przedstawić w sposób liczbowy
(np. płeć: 1 – kobieta, 0 – me˛żczyzna; wiek: 1 – powyżej 60 lat,
0 – poniżej 60 lat itp. [18]). Zmienne jakościowe przyjmuja˛ce
wie˛cej wartości należy zakodować metoda˛ 1 z N, wykorzystuja˛c wie˛ksza˛ liczbe˛ neuronów wejściowych dla jednej
zmiennej. Na przykład dla określenia lokalizacji guza krtani
potrzebne moga˛ być 3 neurony, z których każdy odpowiada
jednej lokalizacji. Przykładowo dla raka nadgłośni kodowanie
przewiduje naste˛puja˛ce rozłożenie sygnałów na tych trzech
neuronach: 1 – na neuronie pierwszym, 0 – na neuronie drugim,
0 – na neuronie trzecim. Podobnie dla raka głośni odpowiedni
kod
[(Ryc._3)TD$FIG] wygla˛da tak: 0-1-0, a dla raka podgłośni 0-0-1 (Ryc. 3).
Ryc. 3 – Przykład sztucznej sieci neuronowej
Fig. 3 – An example of an artificial neural network
otolaryngologia polska 66 (2012) 241–248
W podobny sposób należy zakodować oczekiwana˛ odpowiedź sieci. W tym wypadku użytkownik musi wybrać jedna˛
z dwóch opcji. Sieć neuronowa może dostarczać odpowiedzi
o charakterze pewnej decyzji, na przykład może sygnalizować,
czy dany przypadek należy do pewnej klasy. Przykładem
może tu być naste˛puja˛ce kodowanie: 0 – pacjent nie
uzyskał zadowalaja˛cej poprawy słuchu po operacji, 1 – pacjent
uzyskał zadowalaja˛ca˛ poprawe˛ słuchu [12]. Przy takim
postawieniu zadania mamy do czynienia z tzw. siecia˛
klasyfikacyjna˛.
Jeżeli natomiast sieć ma dostarczać odpowiedzi w postaci
konkretnej liczby (np. jaka be˛dzie wartość rezerwy ślimakowej
po operacji), nazywa sie˛ ja˛ siecia˛ regresyjna˛.
Kwestia˛ wymagaja˛ca˛ dużej uwagi i doświadczenia jest
właściwy wybór zmiennych wejściowych. Im jest ich wie˛cej,
tym wie˛ksza liczba przypadków ucza˛cych jest wymagana, aby
prawidłowo wytrenować sieć. Szacuje sie˛, że zbiór ucza˛cy
powinien zawierać liczbe˛ przypadków kilkukrotnie przekraczaja˛ca˛ liczbe˛ poła˛czeń w sieci, a liczba poła˛czeń rośnie
z kwadratem liczby zmiennych wejściowych, ponieważ
poła˛czenia wewna˛trz sieci realizowane sa˛ na zasadzie ,,każdy
z każdym’’. Oznacza to, że podwojenie liczby zmiennych
wejściowych be˛dzie wymagało cztery razy liczniejszego
zbioru ucza˛cego, a trzykrotnie wie˛cej zmiennych wejściowych
spowoduje zapotrzebowanie na dziewie˛ciokrotnie liczniejszy
zbiór ucza˛cy. Przykład bardzo dużej sieci można znaleźć
w pracy van Staverena i wsp. [21], gdzie widmo autofluorescencji tkankowej zakodowano, wykorzystuja˛c 175 neuronów wejściowych, a cała sieć zawierała 50 000 poła˛czeń.
Autorzy przyznaja˛, że właściwa liczba widm niezbe˛dnych do
wyszkolenia sieci powinna wynosić około 500 000, podczas gdy
w badaniach dysponowano zbiorem jedynie. . . 28 przypadków. Z kolei skutecznie działaja˛ce, obje˛te ochrona˛ patentowa˛
modele neuronowe do diagnozowania schorzeń górnych dróg
oddechowych [2] funkcjonuja˛ w oparciu o zaledwie 9 starannie wyselekcjonowanych zmiennych wejściowych.
Niemniej istotne jest właściwe wyselekcjonowanie zbioru
przypadków ucza˛cych oraz zbioru testowego. Obydwie grupy
powinny być reprezentatywne dla całej populacji. Cze˛sto
zdarza sie˛, że sieć neuronowa doskonale radzi sobie ze
znajdowaniem prawidłowych rozwia˛zań dla zbioru ucza˛cego,
jednak jej odpowiedzi dla nowych przypadków sa˛ zupełnie
niezadowalaja˛ce. Oznacza to, że sieć nie nabyła zdolności do
generalizacji wiedzy nabytej w procesie uczenia. Z tego
wzgle˛du, raportuja˛c wyniki uzyskiwane przez sieć (na przykład czułość i swoistość diagnozy), należy podawać wyła˛cznie
dane uzyskane dla zbioru testowego [29].
Podsumowanie
Sztuczne sieci neuronowe sa˛ skutecznymi narze˛dziami,
pozwalaja˛cymi odwzorować złożone zależności pomie˛dzy
starannie wybranymi przyczynami i dobrze zdefiniowanymi
skutkami. Ich popularność w cia˛gu ostatnich lat wzrosła tak
bardzo, że obecnie trudno jest znaleźć dziedzine˛, w której nie
próbowano jeszcze wykorzystać ich możliwości. W otolaryngologii pozwalaja˛ one mie˛dzy innymi na zautomatyzowanie
pewnych aspektów diagnostyki, których przeprowadzenie
przez człowieka jest żmudne lub wymaga znacznego doświad-
247
czenia. Narze˛dzia te również wspomagaja˛ terapie˛, a także
umożliwiaja˛ przewidywanie wyników leczenia. Modele prognozuja˛ce efekty terapii daja˛ szanse˛ jej optymalizacji, gdyż
dzie˛ki możliwości przewidywania z wyprzedzeniem skutków
podje˛tych działań leczniczych można wybrać ten wariant
poste˛powania leczniczego, który gwarantuje najlepszy skutek.
Zastosowanie sieci neuronowych jest łatwe, ponieważ obecnie
oprogramowanie pozwalaja˛ce korzystać ze sztucznych sieci
neuronowych jest doste˛pne dla każdego badacza i klinicysty
zarówno w postaci pakietów firmowych, jak i łatwo doste˛pnych programów możliwych do pozyskania za darmo
z Internetu (na przykład ze strony http://home.agh.edu.pl/
tad). Co wie˛cej, obszerne piśmiennictwo dotycza˛ce tej
dziedziny może stać sie˛ inspiracja˛ dla ich nowych użytecznych zastosowań klinicznych.
Wkład autorów/Authors’ contributions
Według kolejności.
Konflikt interesu/Conflict of interest
Nie wyste˛puje.
p i ś m i e n n i c t w o / r e f e r e n c e s
[1] Rutkowski L, Siekmann J, Tadeusiewicz R, Zadeh LA,
editors. Artificial Intelligence and Soft Computing Lecture
Notes in Artificial Intelligence, Vol. 3070. Berlin–Heidelberg–
New York: Springer-Verlag; 2004.
[2] Williams PE. Method and Apparatus for Diagnosing an
Allergy of the Upper Respiratory Tract Using a Neural
Network. PCT/GB2008/002383(15.01.2009).
[3] Ziavra N, Kastanioudakis I, Trikalinos TA, Skevas A,
Ioannidis JPA. Diagnosis of sensorineuronal hearing loss
with neural networks versus logistic regression modeling of
distortion product otoacoustic emissions. Audiol Neurootol
2004;9:81–87.
[4] Buller G, Lutman ME. Automatic classification of transiently
evoked otoacoustic emissions using an artificial neural
network. Br J Audiol 1998;32(Aug (4)):235–247.
[5] Arnsten O, Koren H, Strom T. Hearing-aid preselection
through a neural network. Scand Audiol 1996;25(4):259–262.
[6] Juhola M, Laurikkala J, Viikki K, Kentala E, Pyykko I.
Classification of patients on the basis of otoneurological
data by using Kohonen networks. Acta Otolaryngol Suppl
2001;545:50–52.
[7] Izworski A, Tadeusiewicz R, Pasławski A. The Utilization of
Context Signals in the Analysis of ABR Potentials by
Application of Neural Networks. In: Lopez de Mantras R,
Plaza E, editors. Machine Learning ECML 2000, Lecture
Notes in Computer Science, (Lecture Notes in Artificial
Intelligence), nr 1810. Berlin–Heidelberg–New York:
Springer Verlag; 2000. p. 195–202.
[8] Izworski A, Tadeusiewicz R, Pasławski A. Processing and
Classification of Auditory Brainstem Response Signals. In:
Mastorakis N, editor. Advances in Neural Networks
and Applications. WSEAS Press; 2001. ISBN 960-8052-26-2,
p. 189–194.
[9] Strzelczyk P, Wochlik I, Tadeusiewicz R, Izworski A, Bułka J.
Telemedical System in Evaluation of Auditory Brainstem
248
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
otolaryngologia polska 66 (2012) 241–248
Responses and Support of Diagnosis. In: Nguyen NT,
Le MT, Swiatek J, editors. Intelligent Information and
Database Systems, Part 2. Berlin, Heidelberg, New York:
Springer Verlag, LNAI 5990; 2010. p. 21–28.
Davey R, McCullagh P, Lightbody G, McAllister G. Auditory
brainstem response classification: A hybrid model using
time and frequency features. Artif Intell in Med 2007;40:1–14.
Kaczmarczyk D, Durko M, Kruk A. Przykładowe
zastosowanie sztucznej sieci neuronowej Kohonena
w otolaryngologii. Pol Merkur Lekarski 2005;19(111):383–387.
Szaleniec J, Wiatr M, Szaleniec M, Składzień J, Tomik J,
Stre˛k P, Tadeusiewicz R, Przeklasa R. Przydatność sieci
neuronowych w prognozowaniu pooperacyjnej poprawy
słuchu u chorych z przewlekłym zapaleniem ucha
środkowego. Przegla˛d Lekarski 2009;66(11):924–929.
Schoenweiler R, Hess M, Wuebbelt P, Ptok M. Novel
approach to acoustical voice analysis using artificial neural
networks. Journal of the Association for Reaserch in
Otolaryngology 2000;01:270–282.
Linder R, Albers AE, Hess M, Poeppl SJ, Schoenweiler R.
Artificial neural network-based classification to screen for
dysphonia using psychoacoustic scaling of acoustic voice
features. J Voice 2006;22(2):155–163.
Ritchings RT, McGillion M, Moore CJ. Pathological voice
quality assesment using artificial neural networks. Medical
Engineering and Physics 2002;24:561–564.
Szaleniec J. Zastosowanie sieci neuronowych
w różnicowaniu mowy patologicznej od fizjologicznej.
Przegla˛d Lekarski 2005;62(Suppl).
Krafczyk S, Tietze S, Swoboda W, Valkovic P, Brandt T.
Artificial neural network: A new diagnostic posturographic
tool for disorders of stance. Clinical Neurophysiology
2006;117:1692–1698.
Jones AS, Taktak AGF, Helliwell TR, Fenton JE, Birchall MA,
Husband DJ, Fisher AC. An artificial neural network
improves prediction of observed survival in patients with
laryngeal squamous carcinoma. Eur Arch Otorhinolaryngol
2006;263:541–547.
Bryce TJ, Dewhirst MW, Floyd CE, Hars V, Brizel D. Artificial
neural network model of survival in patients treated with
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
[28]
[29]
irradiation with and without concurrent chemotherapy for
advanced carcinoma of the head and neck. Int J Radiation
Oncology Biol Phys 1998;41(2):339–345.
Drago GP, Setti E, Licitra L, Liberati D. Forecasting the
performance status of head and neck cancer patient
treatment by an interval arithmetic pruned perceptron.
IEEE Trans Biomed Eng 2002;49(8):782–787.
van Staveren HJ, van Veen RLP, Speelman OC, Witjes MJH,
Star WM, Roodenburg JLN. Classification of clinical auto
fluorescence spectra of oral leukoplakia using an artificial
neural network: a pilot study. Oral Oncology 2000;36:
286–293.
Dobroś W, Izworski A, Gil K, Lech T. Skuteczność
sztucznych sieci neuronowych w przewidywaniu
przerzutów do regionalnych we˛złów chłonnych.
Otolaryngol Pol 2001;55(1):43–45.
Norman RG, Rapoport DM, Ayappa I. Detection
of flow limitation in obstructive sleep apnea with
an artificial neural network. Physiol Meas 2887; 28:
1089–1100.
Behbehani K, Lopez F, Yen FC, Lucas EA, Burk JR, Axe JP,
Kamangar F. Pharyngeal wall vibration detection using an
artificial neural network. Med Biol Eng Comput 1997;35:
193–198.
el-Solh AA, Mador MJ, Ten-Brock E, Schucard DW,
Abul-Khoudoud M, Grant BJ. Validity of neural network in
sleep apnea. Sleep 1999;22(1):105–111.
Kuzmanovski I, Ristova M, Soptrajanov B, Stefov V,
Popovski V. Determination of the composition of sialoliths
composed of carbonate apatite and albumin using artificial
neural networks. Talanta 2004;62:813–817.
Tadeusiewicz R. Sieci neuronowe. Warszawa: Akademicka
Oficyna Wydawnicza; 1995.
Tadeusiewicz R, Ga˛ciarz T, Borowik B, Leper B. Odkrywanie
właściwości sieci neuronowych przy użyciu programów
w je˛zyku C#, Wydawnictwo Polskiej Akademii Umieje˛tności,
Kraków 2007.
Dreiseitl S, Ohno-Machado L. Logistic regression
and artificial naural network classification models:
a methodology review. J Biomed Inform 2002;35:352–359.